जर्नल ऑफ़ क्लिनिकल केमिस्ट्री एंड लेबोरेटरी मेडिसिन
खुला एक्सेस

अमूर्त

रक्त कार्डियोवैस्कुलर प्रोटिओमिक्स के माध्यम से हेमोडायलिसिस रोगियों में हृदय संबंधी शिथिलता की मशीन लर्निंग-आधारित भविष्यवाणी

जेन-पिंग ली, यू-लिन चाओ, पिंग-हसुन वू, युन-शियुआन चुआंग, चान सू, पेई-यू वू, ज़ू-चिया चेन, वेई-चुंग त्साई, यी-वेन चिउ, शांग-जिह ह्वांग, यी- टिंग लिन, मेई-चुआन कुओ

उद्देश्य: हृदय का कार्य हेमोडायलिसिस (एचडी) से गुजर रहे व्यक्तियों में सभी कारणों और हृदय संबंधी मृत्यु दर का एक मजबूत और स्वतंत्र भविष्यवक्ता है। कुशल हृदय कार्य मूल्यांकन की महत्वपूर्ण आवश्यकता ने हमें मूल्यांकन के लिए सुलभ रक्त नमूने का उपयोग करने की क्षमता का पता लगाने के लिए प्रेरित किया। इस अध्ययन में, हमने एचडी रोगियों में हृदय संबंधी कार्य की भविष्यवाणी करने की व्यवहार्यता का पता लगाने के लिए मशीन लर्निंग (एमएल) तकनीकों के साथ संयोजन में कार्डियोवैस्कुलर प्रोटिओमिक्स का सावधानीपूर्वक उपयोग किया।

विधियाँ: दक्षिणी ताइवान में स्थित दो इकाइयों से 328 एचडी रोगियों का एक समूह एकत्र किया गया। निकटता विस्तार परख का उपयोग करते हुए, 184 हृदय संबंधी प्रोटीनों का व्यापक मापन किया गया। मशीन लर्निंग का उपयोग करते हुए, हमने इजेक्शन अंश के आधार पर हृदय संबंधी शिथिलता की भविष्यवाणी करने के लिए एक मॉडल को अनुकूलित किया। मॉडल के प्रदर्शन का मूल्यांकन एरिया अंडर द कर्व (AUC) का उपयोग करके किया गया, जबकि शैपली वैल्यूज़ के पदानुक्रमित औसत के महत्व (SHAP) विधि का उपयोग भविष्यवाणी के लिए महत्वपूर्ण चर की पहचान करने के लिए किया गया।

परिणाम: हमारे विश्लेषणात्मक ढांचे के भीतर 184 प्रोटिओमिक बायोमार्कर और 34 मानक नैदानिक ​​चर को शामिल करने वाले डेटासेट का उपयोग करते हुए, यह पाया गया कि "प्रोटिओमिक बायोमार्कर" की भविष्य कहनेवाला प्रभावकारिता विभिन्न मशीन लर्निंग एल्गोरिदम का उपयोग करके "नियमित नैदानिक ​​और प्रयोगशाला चर" से बेहतर है, जिसमें वर्गीकरण और प्रतिगमन वृक्ष (CART), कम से कम निरपेक्ष सिकुड़न और चयन ऑपरेटर (LASSO), यादृच्छिक वन, रेंजर और चरम ग्रेडिएंट बूस्टिंग (XgBoost) मॉडल शामिल हैं। फ़ीचर चयन के लिए XgBoost के अनुप्रयोग के माध्यम से, N-टर्मिनल प्रो-बी टाइप नैट्रियूरेटिक पेप्टाइड (NT-proBNP) का महत्व सबसे महत्वपूर्ण योगदानकर्ता के रूप में उभरा, जिसे हृदय संबंधी शिथिलता का निर्धारण करने में एंजियोटेंसिन कन्वर्टिंग एंजाइम 2 (ACE-2) और चिटोट्रियोसिडेस-1 (CHIT-1) की भविष्य कहनेवाला भूमिकाओं द्वारा पूरक बनाया गया। XgBoost मॉडल के SHAP-आधारित स्पष्टीकरण द्वारा इस संरेखण की पुष्टि की गई।

निष्कर्ष: मशीन लर्निंग का उपयोग करके हृदय संबंधी शिथिलता की भविष्यवाणी करने में प्रोटिओमिक विशेषताओं ने नैदानिक ​​चरों से बेहतर प्रदर्शन किया। XgBoost और SHAP के साथ आगे के विश्लेषण ने NT-proBNP और CHIT-1 को महत्वपूर्ण बायोमार्कर के रूप में उजागर किया, जिससे रक्त बायोमार्कर के माध्यम से HD रोगियों में हृदय संबंधी शिथिलता के आकलन पर प्रकाश डाला गया।